提钒炼钢厂物料信息管理与预测系统的研究

论文摘要

炼钢是间歇和连续作业方式相混杂的多工序生产过程,其生产数据的采集与传送实时性强,工序间联系紧密,各道工序产生的生产实时数据多,生产状况千变万化,各基层与生产管理部门、生产指挥系统数据交换频度高。提钒炼钢厂生产工艺流程中的所有物料信息在时间、空间及工艺流程中,构建了企业内部最直接、最基本的信息流。因此为提钒炼钢厂提供准确的物料实时重量信息和消耗预测信息,对于理顺其物流、合理衔接各工序生产、最大程度发挥工序能力、及时调整产品结构、构筑信息化工程、实施精细化生产和精细化管理是十分重要的。本文以提钒炼钢厂为对象,在研究了该厂复杂的工艺流程和现有生产管理系统的基础上,建立物料重量信息网络化采集管理与消耗预测系统,使达到自动采集与管理各个生产工序的物料重量信息、工艺数据和进行物料消耗预测的目的,方便操作人员的生产管理和调度。系统的方案设计主要是根据生产工艺流程的特点,采用分片区管理的模式,在各个片区设置相应的片区采集站,采集各自片区的物料重量信息和相关生产参数,使工作人员及时掌握生产数据,方便生产过程跟踪和物料信息的管理。系统主要研究并实现了物料称重数据传输、采集、管理和物料的消耗预测等功能。通过TCP/IP通信、串口通信、Windows Sockets通信、无线电台传输、射频识别等关键技术实现称重数据的传输,使重量信息准确快速地进入到采集站的计算机中;利用相关软件实现称重数据的自动采集与存储,以及相关数据的查询、统计、报表等功能;利用SQL Server 2000以及数据库维护计划和作业功能,进行生产数据的存储、读取及维护,以保证数据库长期稳定运行和数据的完整可靠,并且采用B/S模式,通过ASP技术实现重量信息的在线查询和统计;利用遗传算法改进神经网络,分析并建立了物料消耗预测模型,以准确实现对下一周期物料需求信息的预报。该系统的使用,极大地减少了操作人员工作强度和人为因素的影响,提高了物料重量数据的准确性、实时性;实现了全厂工艺历史数据的综合查询与分析,方便了现场技术人员、企业管理人员进行全厂生产过程分析,很好地支持了炼钢厂生产管理和生产计划调度。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 国内外钢铁工业发展现状
• 1.1.1 钢铁工业自动化的发展历程
• 1.1.2 国际钢铁工业自动化的现状分析
• 1.1.3 国内钢铁工业自动化的现状分析
• 1.1.4 国内钢铁工业自动化的展望
• 1.2 课题研究的内容
• 1.2.1 提钒炼钢厂的现状
• 1.2.2 本文的研究内容
• 2 提钒炼钢厂生产管理系统的研究
• 2.1 提钒炼钢厂的主要工艺
• 2.1.1 提钒炼钢厂的工艺流程
• 2.1.2 提钒炼钢厂的主要工艺功能描述
• 2.2 提钒炼钢厂生产管理系统的研究
• 2.2.1 提钒炼钢厂生产管理系统的现状
• 2.2.2 提钒炼钢厂生产管理系统的改进
• 2.3 提钒炼钢厂生产管理系统的具体实现
• 2.3.1 基础自动化系统
• 2.3.2 过程控制系统
• 2.3.3 重量信息采集管理和预测系统
• 2.3.4 炼钢区域L3 级系统
• 2.4 本章小结
• 3 物料重量信息采集与管理系统的设计
• 3.1 重量信息的采集与管理
• 3.1.1 物料重量信息概况
• 3.1.2 物料重量信息的采集与管理
• 3.2 各分区称重数据的采集与管理
• 3.2.1 脱硫中控区重量信息采集与管理
• 3.2.2 提钒转炉区重量信息采集与管理
• 3.2.3 提钒零米区重量信息采集与管理
• 3.2.4 炼钢转炉区重量信息采集与管理
• 3.2.5 原料区重量信息采集与管理
• 3.2.6 铸锭区重量信息采集与管理
• 3.2.7 方坯精炼及连铸区重量信息采集与管理
• 3.2.8 板坯精炼及连铸区重量信息采集与管理
• 3.3 本章小结
• 4 物料重量信息采集与管理系统的实现
• 4.1 数据传输的关键技术
• 4.1.1 TCP/IP 网络通信
• 4.1.2 串口通信
• 4.1.3 Windows Sockets 通信
• 4.1.4 无线数传电台
• 4.1.5 射频识别技术
• 4.2 数据库的管理与设计
• 4.2.1 数据库选择
• 4.2.2 数据库设计
• 4.2.3 数据库的相关技术
• 4.2.4 应用程序与数据库接口
• 4.3 系统应用程序的开发
• 4.3.1 系统设置模块
• 4.3.2 设备管理模块
• 4.3.3 数据管理模块
• 4.3.4 报表模块
• 4.4 B/S 设计模式
• 4.4.1 B/S 结构简介
• 4.4.2 ASP 技术简介
• 4.4.3 ASP 访问网络数据库
• 4.4.4 B/S 的实现
• 4.5 本章小结
• 5 物料消耗预测系统
• 5.1 BP 神经网络
• 5.1.1 人工神经网络
• 5.1.2 BP 神经网络模型
• 5.1.3 BP 神经网络模型的关键点
• 5.2 遗传算法
• 5.2.1 遗传算法原理
• 5.2.2 遗传算法的基本流程
• 5.2.3 遗传编码
• 5.2.4 适应函数
• 5.2.5 遗传算子
• 5.3 遗传算法与BP 网络结合
• 5.3.1 GA 优化BP 网络权值与阈值的原理
• 5.3.2 方案设计
• 5.3.3 遗传算法参数选择
• 5.4 物料消耗预测模型
• 5.5 物料消耗预测系统的实现
• 5.6 本章小结
• 6 总结
• 6.1 全文总结
• 6.2 进一步工作和展望
• 致谢
• 参考文献
• 附录